本文關(guān)鍵詞：基于SAR圖像的海面溢油檢測研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來海洋環(huán)境受到了來自海上運輸船只漏油和海上石油鉆井平臺泄漏的嚴重威脅,世界各國紛紛加強了海洋環(huán)境監(jiān)控,建立了全天時的海面溢油檢測識別系統(tǒng)。隨著衛(wèi)星遙感技術(shù)的進步,SAR(Synthetic Aperture Radar)技術(shù)由于其全天時、全天候的特征,已被證明是一種有效的海洋環(huán)境監(jiān)控手段,SAR衛(wèi)星遙感圖像結(jié)合各種圖像處理技術(shù),可以比較準確地檢測識別出海面上大面積的非自然產(chǎn)生的油膜,為及時發(fā)現(xiàn)、快速處理漏油事故提供了有力的支持。本文針對基于SAR的溢油檢測關(guān)鍵問題,如對圖像預處理、溢油疑似區(qū)域提取、目標識別、虛警剔除等進行了深入的研究。本文的主要研究成果如下:在圖像分割部分,本文提出一種基于分水嶺同質(zhì)區(qū)劃分的改進CV(Chan-Vese)模型的SAR圖像分割方法,在包含陸地、海面及海面溢油區(qū)域的SAR大視場圖像中提取候選溢油區(qū)域。首先對圖像進行預處理,使用Gamma MAP(maximum a posteriori)自適應濾波對SAR圖像的斑點噪聲進行抑制;其次利用分水嶺算法進行標號得到大致的同質(zhì)區(qū),通過填充處理,使圖像僅包含海面和溢油區(qū);最后使用基于CV模型的分割方法得到候選溢油區(qū)域。針對SAR圖像在成像時灰度信息不均勻可導致CV算法失敗的現(xiàn)象,引入基于平滑灰度的信息,提出了改進的CV算法,使CV分割算法對噪聲的影響有所降低。針對SAR圖像溢油檢測的大視場、復雜性高的問題,本文提出以視覺詞袋模型為目標檢測關(guān)鍵技術(shù)的復雜場景SAR圖像溢油檢測方法。首先從SAR圖像中提取出興趣區(qū)域,提取圖像的低層特征,然后利用K-means聚類方法將低層特征構(gòu)建為視覺詞典。其次選擇標記的溢油SAR圖像和非溢油SAR圖像作為圖像的訓練樣本,提取樣本圖像興趣區(qū)域的低層特征,并在已經(jīng)建立的視覺詞典中找到與之匹配的視覺單詞,統(tǒng)計兩種樣本的視覺單詞頻率直方圖。最后設計一種合適的分類器,實現(xiàn)對SAR圖像中提取的興趣區(qū)域進行溢油區(qū)域識別。通過對視覺詞袋在SAR圖像理解中的應用分析和研究,為后續(xù)對SAR圖像的高級語義理解的深入研究工作奠定良好的基礎(chǔ)。最后,本文提出了基于上下文思想構(gòu)建馬爾科夫隨機場(Markov random field,MRF)的溢油檢測方法,充分利用圖像中的上下文信息實現(xiàn)對圖像中目標的識別和分割,結(jié)合上下文關(guān)系和目標自身特征與噪聲的差異性形成了一種虛警剔除的方法。通過運用馬爾科夫概率統(tǒng)計模型來描述各個局部像素點或像素塊的鄰域系統(tǒng)之間的上下文的概率關(guān)系,基于馬爾科夫隨機場和吉布斯(Gibbs)分布的等效原理建立SAR圖像的溢油數(shù)據(jù)統(tǒng)計模型,根據(jù)局部概率和全局概率按照條件迭代的算法求得最大后驗概率的最佳解的分割。重點討論和論證了初始標號場對于馬爾科夫隨機場上下文模型的影響和改進,通過視覺凸顯圖建立初始標號場,通過視覺金字塔建立SAR圖像的多尺度的大視場分析;并對吉布斯分布中的切分函數(shù)的能量函數(shù)的勢函數(shù)參數(shù)進行了詳盡的討論與實驗分析論證。實驗驗證本方法不但可以準確地進行分割和檢測,加強了對噪聲和虛警的抑制作用,而且使高分辨率小尺度的SAR圖像的紋理細節(jié)信息得到了很好的保存。
【關(guān)鍵詞】：SAR 溢油檢測 圖像分割 特征提取 圖像分類 視覺詞袋 上下文 馬爾科夫隨機場
【學位授予單位】：北京理工大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：X87
【目錄】：

• 摘要5-7
• Abstract7-15
• 第1章 緒論15-24
• 1.1 研究背景15-17
• 1.2 國內(nèi)外溢油檢測研究的進展17-21
• 1.2.1 SAR衛(wèi)星技術(shù)的發(fā)展17-20
• 1.2.2 國內(nèi)外溢油檢測研究進展20-21
• 1.3 本文主要研究內(nèi)容和結(jié)構(gòu)安排21-24
• 第2章 溢油檢測的關(guān)鍵技術(shù)及框架24-37
• 2.1 合成孔徑雷達簡介24-27
• 2.1.1 SAR基礎(chǔ)24-26
• 2.1.2 SAR成像特征26-27
• 2.2 基于SAR成像的溢油檢測處理關(guān)鍵技術(shù)27-34
• 2.2.1 溢油檢測原理27-28
• 2.2.2 溢油檢測處理流程28-29
• 2.2.3 暗斑區(qū)域提取29-30
• 2.2.4 特征提取30-31
• 2.2.5 圖像分類判斷溢油區(qū)域31-33
• 2.2.6 溢油檢測研究系統(tǒng)的評估問題33-34
• 2.3 一種層次化的溢油區(qū)域提取方法34-36
• 2.4 本章小結(jié)36-37
• 第3章 結(jié)合分水嶺算法和改進CV算法的圖像分割方法37-54
• 3.1 引言37-38
• 3.2 SAR圖像濾波38-40
• 3.2.1 常用濾波方法38
• 3.2.2 濾波結(jié)果及分析38-40
• 3.3 SAR圖像分割40-43
• 3.3.1 SAR圖像分割定義40-41
• 3.3.2 SAR圖像分割經(jīng)典算法41-43
• 3.4 基于局部的CV模型SAR圖像分割算法43-53
• 3.4.1 主動輪廓模型43-44
• 3.4.2 水平集方法44-45
• 3.4.3 分水嶺算法簡介45-46
• 3.4.4 CV模型46-48
• 3.4.5 改進CV算法48-49
• 3.4.6 算法流程49-50
• 3.4.7 實驗結(jié)果與分析50-53
• 3.5 本章小結(jié)53-54
• 第4章 基于視覺詞袋模型的疑似溢油提取54-86
• 4.1 引言54-56
• 4.2 視覺詞袋模型56-72
• 4.2.1 提取興趣區(qū)域56-57
• 4.2.2 SAR溢油低層特征分析57-66
• 4.2.3 特征提取以及結(jié)果分析66-71
• 4.2.4 構(gòu)建視覺詞典71-72
• 4.3 分類器設計72-81
• 4.3.1 支持向量機SVM74-75
• 4.3.2 核函數(shù)75-80
• 4.3.3 基于多核學習的溢油區(qū)域判別80-81
• 4.4 實驗驗證81-85
• 4.4.1 實驗設置81-82
• 4.4.2 支持向量機懲罰參數(shù)C對檢測性能影響82-83
• 4.4.3 實驗仿真結(jié)果83-85
• 4.5 本章小結(jié)85-86
• 第5章 基于上下文思想構(gòu)建馬爾科夫場的溢油識別方法86-116
• 5.1 引言86-89
• 5.1.1 傳統(tǒng)的圖像分割87-88
• 5.1.2 上下文分割與虛警剔除88-89
• 5.1.3 如何運用上下文模型89
• 5.2 圖像分割中的馬爾科夫隨機場89-103
• 5.2.1 鄰域系統(tǒng)與子團90-92
• 5.2.2 馬爾科夫隨機場數(shù)學模型92-103
• 5.3 ICM（條件迭代模型）MRF SAR圖像溢油檢測103-115
• 5.3.1 高斯粘合模型在馬爾科夫隨機場中的應用106-107
• 5.3.2 勢函數(shù)參數(shù)與初始標號場107-115
• 5.4 本章小結(jié)115-116
• 第6章 總結(jié)與展望116-120
• 6.1 本文研究工作總結(jié)116-118
• 6.2 進一步工作展望118-120
• 參考文獻120-129
• 攻讀學位期間發(fā)表論文與研究成果清單129-130
• 致謝130-131
• 作者簡歷131

  本文關(guān)鍵詞：基于SAR圖像的海面溢油檢測研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：273113